基于改进卷积神经网络的交通标志识别方法

针对智能交通系统中小尺度交通标志识别率低的问题,文中提出一种改进卷积神经网络的交通标志识别方法。该方法通过在Faster R-CNN算法的低层特征图上增加优化的RPN网络,提升了小尺度交通标志的检测率。该方法还利用Max Pooling方法实了现图像的局部细节特征与全局语义特征充分融合。在TT-100K数据集上稍微实验结果表明新方法可以明显提高小尺度交通标志的识别率。     

基于卷积神经网络的交通标志ROI提取与识别

道路交通标志在指导安全出行方面起了重要作用,随着智能交通的发展,交通标志识别越来越受到重视.不同光照、雾气下的复杂自然场景(如树林、建筑物)对交通标志识别干扰较大,为减少这些无关干扰因素所带来的识别率不高的问题,提出了一种语义分割网络与分类网络级联的交通标志识别方法.语义分割网络由UNet改进得到,利用了交通标志与背景...     

基于多尺度卷积神经网络的交通标志识别方法

为解决交通标志目标易受复杂环境影响且呈现多尺度分布,造成识别精度低的问题,构建一种多尺度卷积神经网络模型。针对不同尺寸输入设计相应的网络结构,提取目标特征,实现对不同尺寸目标的识别,再加权融合各子网络结果得到最终识别结果,实现多尺度目标识别。经实验验证分析,提出算法模型在小尺寸目标、较小尺寸目标、中尺寸目标、大尺寸目标上识别率分别达到99.12%,99.24%,99.41%,99.35%,保障了多尺度输入目标识别的鲁棒性,综合识别率可以达到99.31%,验证了算法在平衡实时性及准确率的基础上,具有一定的实用价值。     

深层卷积神经网络的自动调制识别方法

简述了利用深层卷积神经网络进行自动调制识别（Automatic Modulation Recognition,AMR）的进展,并结合其模型在基准数据集上的实验表明,大多数不依赖于先验知识的特征提取模型容易忽略模型参数量大、计算复杂度高的问题,因此将工作重点集中在保持高精确度的同时轻量化模型。利用多信道深度学习模型,从时间和空间的角度有效提取特征,搭建以卷积神经网络（Convolution Neural Networks,CNN）和门控循环单元（Gating Recurrent Unit,GRU）为特征提取层的深层学习框架,可以在现有高识别度模型的识别效果上有略微提升,具有高效的收敛速度,且减少了40%以上的参数体积,在训练时间和测试时间上更有优势。该方法在RadioML2016.10a数据集0 dB以上信噪比条件下的识别精度保持在90%以上。     

基于卷积神经网络的调制识别新方法

针对通信信号调制方式识别问题,提出了一种基于卷积神经网络的通信信号调制方式识别新方法,利用深度卷积网络实现了通信信号特征的自学习,避免了传统算法中特征提取与选择问题,并设计了基于自学习特征的分类器,实现了通信信号调制方式的识别。仿真结果表明,利用卷积神经网络实现通信信号调制方式的识别是可行、有效的。     

基于深度卷积神经网络的手势识别

在手势识别的过程中,手势变化的多样性和手势本身的复杂性会对手势识别的精确性和可靠性带来很大的影响。为了能够实现高准确率的手势识别,文章提出了一种基于深度卷积神经网络(CNN, Convolutional neural network)的手势识别方法。该方法针对22个英文字母(排除了G、S、J和Z)实现静态手势识别,首先选用合适的手势数据集,通过使用Keras(神经网络的高级API)实现卷积神经网络,最终获得较高的识别率,可以达到97%。实验表明,该方法可实现背景单一手势图像的精确识别。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于卷积神经网络的双行车牌识别过程分析

随着信息技术的发展,信息技术在社会中的应用越来越广泛,其中卷积神经网络技术凭借其较高的学习能力与适应能力被广泛应用于图像处理的相关工作当中[1]。在道路交通管理工作当中车牌识别一直是重点与难点,基于卷积神经技术发展的车牌折别系统不仅能够有效提高车牌识别的准确性,还能有效提高车牌识别的工作效率,对于推动我国道路交通的健康发展有重要作用。     

基于卷积神经网络的脱机单个手写汉字识别

本文在GoogLeNet网络基础上搭建了一个适合手写汉字识别的卷积神经网络.研究建立了新的手写汉字训练集,新训练集综合了现有的训练集并剔除了其中的错误,同时加入印刷体训练集,增加书写风格的多样性.训练神经网络时采用随机梯度下降算法,并加入动量项加速网络参数的收敛,使用正则项防止过度拟合,最终训练出的神经网络在训练集上的正确率为99.56％,在验证集上的正确率达到96％,并具有很好的泛化能力.     

面向人脸表情识别的迁移卷积神经网络研究

人脸表情识别是模式识别研究的一个重要领域,现实环境中人脸表情识别容易受到光照、姿态、个体表情差异等因素的影响,识别效果仍有待提高。为了取得更好的人脸表情识别效果,本文提出一种基于迁移卷积神经网络的人脸表情识别方法,本文在训练得到人脸识别网络模型的基础上,采用迁移学习方法将所得人脸识别模型迁移到人脸表情识别任务上,并提出Softmax-MSE损失函数和双激活层(Double Activate Layer, DAL)结构,以提高模型的识别能力。在FER2013数据库和SFEW2.0数据库上的实验表明,本文所提方法分别取得了61.59%和47.23%的主流识别效果。      

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.     

基于多尺度卷积神经网络模型的手势图像识别

为了解决目前利用CNN算法进行手势识别的精度不高的问题,提出一种新的算法。首先对识别的手势图片进行二值化处理,滤除手势的背景,凸显手势在图像中的权重,背景对手势识别影响降低。其次,在经典卷积神经网络模型AlexNet的基础上,提出一种多尺度卷积核的改进卷积神经网络模型。改进卷积神经网络模型采取两种卷积核进行手势特征提取,利用多尺度卷积核和双通道进行特征融合,然后利用在不同角度,不同旋转下拍摄的手势图像数据集对改进模型进行实验验证。研究结果表明,提出的算法模型在不同的角度和不同的旋转情况下对手势图像具有较高的识别率,算法的鲁棒性、识别率方面有了明显的提高。     

基于深度卷积神经网络的极化雷达目标识别

针对宽带多极化雷达,提出将高分辨一维距离像(high resolution range profile,HRRP)与极化信息相结合的算法,获得目标在4种极化组态下的一维距离像并将其组成极化距离矩阵.该算法对目标进行全方位的特征抽取与建模,以适应不同的姿态,有助于减少高分辨一维距离像方位敏感性带来的影响.然后提出了直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,并将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习.该方法不仅结合了不同的特征提取方式以对极化距离矩阵进行更全面的特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了深层学习,仿真结果验证了该方法的有效性.     

Traffic sign recognition based on deep convolutional neural network

Traffic sign recognition (TSR) is an important component of automated driving systems. It is a rather challenging task to design a high-performance classifier for the TSR system. In this paper, we propose a new method for TSR system based on deep convolutional neural network. In order to enhance the expression of the network, a novel structure (dubbed block-layer below) which combines network-in-network and residual connection is designed. Our network has 10 layers with parameters (block-layer seen as a single layer): the first seven are alternate convolutional layers and block-layers, and the remaining three are fully-connected layers. We train our TSR network on the German traffic sign recognition benchmark (GTSRB) dataset. To reduce overfitting, we perform data augmentation on the training images and employ a regularization method named “dropout”. The activation function we employ in our network adopts scaled exponential linear units (SELUs), which can induce self-normalizing properties. To speed up the training, we use an efficient GPU to accelerate the convolutional operation. On the test dataset of GTSRB, we achieve the accuracy rate of 99.67%, exceed-ing the state-of-the-art results.     

基于改进网中网神经网络的交通标志识别

针对在实际交通环境中交通标志识别中提高识别准确率和降低计算成本需求,文中提出一种基于网中网(Network in Network,NIN)神经网络的交通标志识别算法。相比卷积神经网络模型,NIN模型增加了MLP结构,并使用全局均值池化层替代全连接层,同时使用ELU函数代替Re LU修正单元。在德国交通标志数据集(GTSRB)进行分类识别研究。研究结果表明,算法在GTSRB基准数据集上获得98. 31%以上的识别准确率,同时能够有效地解决过拟合和梯度弥散等问题,文中算法有一定的先进性和鲁棒性。     

Optimization of optical convolution kernel of optoelectronic hybrid convolution neural network

To enhance the optical computation''s utilization efficiency, we develop an optimization method for optical convolution kernel in the optoelectronic hybrid convolution neural network (OHCNN). To comply with the actual calculation process, the convolution kernel is expanded from single-channel to two-channel, containing positive and negative weights. The Fashion-MNIST dataset is used to test the network architecture''s accuracy, and the accuracy is improved by 7.5% with the optimized optical convolution kernel. The energy efficiency ratio (EER) of two-channel network is 46.7% higher than that of the single-channel network, and it is 2.53 times of that of traditional electronic products.     

自然场景下的交通标志识别系统

文中提出一种面向自然场景的新型交通标志识别系统。在分割模块,采用带色彩恢复的多尺度视网膜增强算法对图像增强色彩,并用车道线方法和提出的绿色减除分割算法提取感兴趣区域。在检测模块,运用Gist-RGB特征对5种不同形状的标志进行检测。在识别模块,首先根据颜色信息对标志预分类,再使用基于局部感受野的极限学习机识别网络对43类标志进行识别。实验结果证明,该系统对自然背景下的交通标志图像达到良好的识别效果,并且具有一定的鲁棒性。